Practical Data Science mit Amazon SageMaker

Einführung in das Machine Learning

• Arten von ML
• Job-Rollen in ML
• Schritte in der ML-Pipeline

Einführung in die Datenvorbereitung und SageMaker

• Definition von Übungs- und Testdatensätzen
• Einführung in SageMaker
• SageMaker-Konsole
• Starten eines Jupyter-Notebooks

Problemstellung und Datensatzvorbereitung

• Geschäftliche Herausforderung: Kundenschwund
• Überprüfung des Datensatzes

Datenanalyse und -visualisierung

• Laden und Visualisieren Ihres Datensatzes
• Bereinigung der Daten

Trainieren und Auswerten eines Modells

• Arten von Algorithmen
• XGBoost und SageMaker
• Training der Daten
• Abstimmung der Hyperparameter mit SageMaker
• Evaluierung der Modellleistung

Automatisches Tunen eines Modells

• Automatisches Hyperparameter-Tuning mit SageMaker

Einsatz/Produktionsbereitschaft

• Bereitstellen eines Modells an einem Endpunkt
• A/B-Einsatz zum Testen
• Automatische Skalierung und Testen
• Überprüfen des Hyperparameter-Abstimmungsauftrags
• AWS-Autoskalierung

Relative Kosten von Fehlern

• Kosten verschiedener Fehlertypen
• Binäre Klassifizierungsabgrenzung

Amazon SageMaker Architektur und Funktionen

• Zugriff auf Amazon SageMaker-Notebooks in einer VPC
• Amazon SageMaker Batch-Transformationen
• Amazon SageMaker Grundwahrheit
• Amazon SageMaker Neo

Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:

• Kenntnisse der Programmiersprache Python
• Grundlegendes Verständnis von Machine Learning

• Entwickler
• Data Scientists